集装箱龙门起重机可插电串联增程式动力源装置能量控制方法与流程

本发明涉及集装箱龙门起重机动力源装置的能量控制方法，具体涉及一种集装箱龙门起重机可插电串联增程式动力源装置的能量控制方法。

背景技术：
集装箱龙门起重机是世界各大集装箱专业化码头堆场的主要装卸设备。用于集装箱龙门起重机的可插电串联增程式新动力源是一种新型动力源形式，其结构由能量产生单元、能量存储单元、能量消耗单元组成，属于串联式混合动力源。在这种动力源装置中，能量存储单元即超级电池组为起重机提供驱动电能，而能量产生单元即柴油发电机和发电机组成柴油发电机为超级电池组充电提供持续电能，因此，发电机对超级电池合理的充电控制是提高动力源装置能效的有效手段。串联式混合动力源中，发电机对超级电池的充电控制通常称为能量控制，常用的能量控制策略有两种：一种是恒温器式能量管理策略。恒温器式策略根据电池荷电状态即超级电池当前的储电量来确定柴油发动机的开启和关闭，并使发动机工作在最佳工作点处。该最佳工作点是根据发动机万有特性曲线，预先计算出的燃油消耗最低时发动机的转速和转矩关系。其控制方法如下：事先设定电池组允许的最大荷电状态及最小荷电状态，当电池荷电状态小于设定的最小荷电状态值时，发动机开始工作，驱动发电机向电池充电；当电池荷电状态处于最大荷电状态及最小荷电状态之间时，发动机维持现有工作状态；当电池荷电状态大于设定的最大荷电状态值时，发动机关闭；发动机工作时，一直处于事先计算的最佳工作点即一个固定输出功率值。这种能量控制方式仅考虑动力源系统本身的工作特性，完全不考虑工作机构的实际工况对动力源的能量需求，柴油发电机持续以一定功率对超级电池组充电直至达到最大允许荷电状态，造成极大的能量浪费。另一种能量控制策略是功率跟随式能量控制策略。功率跟随式控制策略根据电机与电池组的工作状态，调节发动机工作点，经发电机向电池组充电。控制目标是燃油消耗最低和电池组的工作寿命最长。其控制方式为：当电池荷电状态大于允许最大荷电状态时，发动机停止工作，但当起重机工作机构需求的功率太大时，发动机重新启动充电；当电池荷电状态小于允许最小荷电状态时，发动机启动工作；发动机工作时，其输出功率在一个指定范围内，以保证较高的效率；发动机工作时，其输出功率的变化率不应超过规定值。这种控制方式部分弥补了第一种控制方式完全不考虑工作机构实际工况对动力源系统影响的不足，但是这种方式仅考虑了集装箱龙门起重机能量需求太大时的一种极端情况，在这种情况下发动机输出功率会提高，但正常情况下，发动机输出功率只需维持在一定范围内，并不能实现输出功率随着起重机能量需求而动态调整，能量利用效率仍然较低。而要发挥出可插电串联增程式新动力源的最优能效，需要建立从稳态工况下的燃油经济性单目标优化到考虑各种瞬态工况和非线性、时变作业工艺下对各个部件性能影响的燃油经济性、排放和各能量单元之间协调控制平稳性和鲁棒性都很高的智能能量控制策略。基于上述两种能量控制方式的缺陷及对能量控制方法特性的考虑，本发明提出采用一种基于模糊控制技术及神经网络控制技术联合的智能控制方法对集装箱龙门起重机绿色可插电串联增程式新动力源装置中的能量进行控制。

技术实现要素：
集装箱龙门起重机可插电串联增程式动力源装置包括小功率柴油机、发电机、整流器、大容量超级电池组、集装箱龙门起重机起升机构逆变器、起升机构马达、小车行走机构逆变器、小车行走机构马达、吊具防摇逆变器、吊具防摇马达、大车行走机构逆变器及大车行走机构马达、起重机辅助用电设备、以及起重机辅助用电设备逆变器。大容量超级电池组是起重机唯一动力源，与起重机各运行机构逆变器(包括起升机构逆变器、小车运行机构逆变器、吊具防摇逆变器、大车行走机构逆变器及起重机辅助用电设备逆变器)连接，驱动起重机各运行机构马达运行，并为起重机辅助用电设备供电；起重机起升机构下降时产生的可再生能量回馈到直流母线对大容量超级电池充电；小功率柴油机连接发电机形成柴油发电机，柴油发电机通过整流器与大容量超级电池连接对超级电池组充电；在集装箱龙门起重机不工作时，动力源装置中的大容量超级电池组直接通过充电插头连接市电充电。针对集装箱龙门起重机可插电串联增程式新动力源现有能量控制方式的缺陷，本发明提出将一种智能控制方法用于该装置控制装置中柴油发电机对电池组的充电功率，以达到对动力源装置中的能量进行智能控制、提高能源利用效率、延长电池使用寿命的目的。该方法将模糊神经网络控制模型用于动力源装置中对电池组能量的需求和供给进行控制，控制模型设计为四层结构，分别为输入层、模糊化层、隐含层及输出层。该能量控制方法包括如下步骤：(1)确定模糊神经网络控制模型的输入和输出变量，以超级电池组的荷电状态及起重机能量需求为输入层的输入变量，以柴油发动机对超级电池组充电功率为输出层输出。(2)在第二层模糊化层针对每个输入量设置模糊子集。集装箱龙门起重机运行的能量需求Qr的模糊子集表达为：{L,H,CH,MH,VH,EH}，分别取值为：{50，120，150，180，210，240}，依次表示集装箱龙门起重机运行所需运行能量从小到大的程度；动力电池组的荷电状态μsoc的模糊子集表达为：{EB,VB,SB,SF,LF,MF,CF,VF,EF}，分别取值为：{0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9，1}，依次表示动力电池组荷电状态从极少到极多的程度。(3)确定第二层中采用的三角函数为隶属度函数。(4)确定第三层隐含层的激活作用函数是Sigmoid函数节。该层节点的输入输出表达式为：式中Ij(3)表示第三层输入信号，Oj(3)表示第三层输出信号，Oj(2)表示第二层输出信号，ωij为第二层第i个节点到第三层第j个节点的连接权值，θj为第j个节点的阈值，n为第二层总节点数，q为第三层总节点数，f(s)为sigmoid函数，表达为：λ为一常数。(5)确定第四层输出层节点的输入输出表达式为：式中Il(4)表示第四层输入信号，Oj(3)表示第三层输出信号，Ol(4)表示第四层输出信号，yl为第l个输出，ωjl第三层第j个节点到第四层第l个节点的连接权值，θl为第l个节点的阈值，m为第四层总节点数，q为第三层总节点数，f(s)为Sigmoid函数。(6)确定运用优化算法中的梯度下降法对模糊神经网络的连接权值和阈值进行训练，使得网络的目标函数取得最小值。模糊神经网络的目标函数表达为：式中，yl,q表示模糊神经网络输出，Yl,q表示期望输出，N为网络训练样本个数，Ek表示第k各样本对应的目标函数，m为总输出数，l为第l个输出点。运用梯度下降算法对网络的连接权值和阈值进行优化，采用以下算式：其中λ为训练步长，t为时间变量，ωij和θj仍然是指连接权值和阈值，Ek表示第k各样本对应的目标函数。(7)选取多组实验数据作为训练样本，运用梯度下降算法对模糊神经网络控制模型中的连接权值和阈值进行训练，获得优化后的连接权值和阈值，然后给定特定输入变量，由控制模型计算出基于集装箱龙门起重机能量需求和电池组荷电状态的电池组充电功率。附图说明图1集装箱龙门起重机可插电串联增程式动力源装置结构图图2集装箱龙门起重机可插电串联增程式动力源装置中柴油发动机充电功率智能控制硬件结构图图3集装箱龙门起重机可插电串联增程式动力源装置柴油发动机充电功率模糊神经网络控制模型结构图图4集装箱龙门起重机可插电串联增程式动力源装置能量控制模型中输入变量起重机能量需求的隶属度函数图5集装箱龙门起重机可插电串联增程式动力源装置能量控制模型中输入变量电池组荷电状态的隶属度函数实施例集装箱龙门起重机可插电串联增程式动力源装置结构见附图1，包括小功率柴油发动机1、发电机2、整流器3、超级电池组4、起重机起升机构逆变器5、起重机小车运行机构逆变器6、起重机大车运行机构逆变器7、起重机辅助用电设备逆变器8、起重机起升马达9、起重机吊具防摇马达10、起重机小车马达11、起重机大车马达12及起重机辅助用电设备13。其中：(1)大容量超级电池组4作为起重机唯一动力源通过逆变器(包括起重机起升机构逆变器5、起重机小车运行机构逆变器6、起重机大车运行机构逆变器7及起重机上起重机辅助用电设备逆变器8)为起重机各运行机构马达(包括起重机起升马达9、起重机吊具防摇马达10、起重机小车马达11、起重机大车马达12)及起重机辅助用电设备13供电。(2)大容量动力电池组4对起重机起升机构下降时产生的可再生能量进行回收存储。(3)当动力源动力电池组4荷电状态不足以支持起重机的后续运行时，启动小功率柴油发动机1带动发电机发电2，通过整流器整流3为直流对超级电池组4充电。发电机2对大容量超级电池组的充电功率由附图3所示的模糊神经网络智能控制模型根据起重机能量需求和电池组的荷电状态动态调整，以实现动力源装置中的能量控制。(4)大容量超级电池组4在起重机不工作时还可直接接受市电充电。柴油发动力驱动发电机对超级电池组充电的充电功率由模糊神经网络控制模型计算并将计算结果传送给发动机的驱动器以动态调整发动机输出功率。柴油发动机功率控制的硬件结构见附图2，模糊神经网络智能控制方法由个人电脑14实现，计算结果传送给集装箱龙门起重机的控制器即可编程控制器15，再经由可编程控制器15传送给柴油发动机驱动器16，由驱动器调节柴油发动机1的输出功率，从而调整超级电池组的充电功率，实现集装箱龙门起重机可插电串联增程式动力源装置的能量控制。附图3是用于动力源装置能量智能控制的模糊神经网络结构图。分为四层，分别是输入层、模糊化层、隐含层及输出层。其中：(1)第一层为输入层，控制模型中以超级电池组的荷电状态及起重机能量需求输入层的输入变量；(2)第二层为模糊化层，通过隶属度函数将输入变量转换成对应模糊子集上的隶属度，节点数为15个。(3)在第二层模糊化层针对每个输入量设置模糊子集。集装箱龙门起重机运行的能量需求Qr的模糊子集表达为：{L,H,CH,MH,VH,EH}，分别取值为：{50，120，150，180，210，240}，依次表示集装箱龙门起重机运行所需运行能量从小到大的程度；动力电池组的荷电状态μsoc的模糊子集表达为：{EB,VB,SB,SF,LF,MF,CF,VF,EF}，分别取值为：{0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9，1}，依次表示动力电池组荷电状态从极少到极多的程度。(4)第二层隶属度函数采用三角函数。其中附图4是表达起重机能量需求的三角隶属度函数坐标系，纵轴表达输入变量对应的隶属度，横轴表达的是输入变量“起重机能量需求”，横轴上的数据为上一步中定义好的模糊子集及其对应取值，根据该图可以获得从50至240之间的任意输入量对应的隶属度；附图5是表达超级电池组荷电状态的三角隶属度函数坐标系，纵轴表达输入变量对应的隶属度，横轴表达的是输入变量“电池组荷电状态”，横轴上的数据为上一步中定义好的模糊子集及其对应取值，根据该图可以获得从0.2至1之间的任意输入量对应的隶属度。与图4及图5对应的三角函数隶属度计算公式如下：其中，x是输入变量，μ(x)表示该输入变量对应的隶属度，a，b和c(a＜b＜c)是输入变量x前后连着的三个已知输入量。(5)第三层为隐含层，用于实现输入变量模糊值到输出变量模糊值的映射，其节点为54个。该层的激活作用函数是Sigmoid函数节。该层节点的输入输出表达式为：式中Ij(3)表示第三层输入信号，Oj(3)表示第三层输出信号，Oj(2)表示第二层输出信号，ωij为第二层第i个节点到第三层第j个节点的连接权值，θj为第j个节点的阈值，n为第二层总节点数，q为第三层总节点数，f(s)为sigmoid函数，表达为：λ为一常数。(6)第四层为输出层，以小功率柴油发电机对动力电池组充电功率作为能量控制模型的输出。第四层节点的输入输出表达式为：式中Il(4)表示第四层输入信号，Oj(3)表示第三层输出信号，Ol(4)表示第四层输出信号，yl为第l个输出，ωjl第三层第j个节点到第四层第l个节点的连接权值，θl为第l个节点的阈值，m为第四层总节点数，q为第三层总节点数，f(s)为Sigmoid函数。(7)确定运用优化算法中的梯度下降法对模糊神经网络的连接权值和阈值进行训练，使得网络的目标函数取得最小值。模糊神经网络的目标函数表达为：式中，yl,q表示模糊神经网络输出，Yl,q表示期望输出，N为网络训练样本个数，Ek表示第k各样本对应的目标函数，m为总输出数，l为第l个输出点。运用梯度下降算法对网络的连接权值和阈值进行优化，采用以下算式：其中λ为训练步长，t为时间变量，ωij和θj仍然是指连接权值和阈值，E为连接权值和阈值优化的目标函数。运用梯度下降算法获得优化后的连接权值和阈值后，即可通过给定特定输入变量，由控制模型计算出基于集装箱龙门起重机能量需求和电池组荷电状态的电池组充电功率。模糊神经网络智能控制方法应用于该装置，可根据起重机工作的能量需求和电池组的荷电状态动态调整对电池组的充电功率，既可以满足集装箱龙门起重机正常运行需求又可以避免电池组进入深放状态从而损害使用寿命。以上显示描述了本发明的基本原理和主要技术特征。本发明不受上述实施例的限制，在不脱离本发明原理和范围下，本发明还会有各种变化和改进，这些变化和改进也属于本专利的权利。